Mesterséges intelligencia, amit az AI tanít az emberi intelligenciáról - a tudomány spektruma
Kognitív tudomány: Mit tanít az intelligencia intelligenciánkról
1996-ban a Deep Blue AI rendszer legyőzte az uralkodó sakk világbajnokot, Garri Kaszparovot. 20 évvel később az AlphaGo legyőzte a világ egyik legjobb Go játékosát, a dél-koreai Lee Sedolt. Ma az AI-k megkülönböztethetik a rosszindulatúakat a jóindulatú bőrráktól, parkolhatnak autókkal és irányíthatják a katonai drónokat. A jövőben társaságot tartanak bennünk háztartási és gondozó robotok formájában. Ez sok kérdést vet fel: Mire lehet használni a mesterséges intelligenciát? Okosabbak lesznek a rendszerek nálunk? Kell-e utánozniuk az emberi képességeket? És mit tanulhatunk ebből az emberi intelligenciáról?
Ha vissza akarod állítani az emberi intelligenciát, meg kell határoznod, mi is valójában. Ez számos különféle képességet tartalmaz: eszközök használatát, cselekvések megtervezését, elméletek kidolgozását, kreativitást, a nyelv megértését és még néhányat. Beágyazódnak a hálózatba kapcsolt alapkészségekbe: szenzoros érzékelés, érzelmi értékelés, cselekvés-ellenőrzés.
Számos ilyen készség természetesnek tűnik számunkra. Hajlamosak vagyunk intelligenciát kötni olyan speciális készségekhez, mint például a matematika mélyebb megértése. Az AI rendszerekkel való összehasonlítás azonban megmutatja, mennyire összetettek valójában állítólag banális képességeink. Az AI történetében kétszer feltételezték, hogy az AI rendszerek hamarosan rendelkezzenek ilyen mindennapi készségekkel: egyszer az 1970-es évek ideghálózatának első hullámával, a második alkalommal pedig a szakértői rendszerek hullámával az 1980-as évek végén és a 1990-es évek. Mindkét eufória "AI-télet" eredményezett - a csalódott és visszafogott várakozások fázisa.
Jelenleg az AI rendszerek még mindig teljesen másképp gondolkodnak, mint az emberek, ahogy a repülőgépek is másképpen repülnek, mint a madarak, még akkor is, ha ugyanazokat az általános fizikai alapelveket követik
Az emberi intelligencia és a mai mesterséges intelligencia - amelynek mély módszere a mély tanulás - gyökeresen eltérő architektúrával rendelkezik. Az agy és az AI-k mind a környezettel kapcsolatos információkat szervezik és dolgozzák fel, de nem azonos módon: Különböznek például a feldolgozási szintek számában, a hálózatba szervezésben, a tanulás mechanizmusaiban és abban, hogy az észlelés, az ismeretek és a cselekvés hogyan hat egymással. Még akkor is, ha a jelenlegi mesterséges intelligencia nagyon hatékony eszközöket állít elő, ez csak keveset járulhat hozzá az emberi intelligencia megértéséhez: az AI rendszerek intelligens gondolkodást is képesek produkálni, de jelenleg még mindig teljesen másként gondolkodnak, mint az emberek; ahogy a repülőgépek másként repülnek, mint a madarak, még akkor is, ha ugyanazokat az általános fizikai alapelveket követik. Ezenkívül az AI messze nem fejleszti az emberi meglátásokat.
A mai AI alapjai
Az AI jelenleg legismertebb formája a »mély tanulás« módszerén alapszik. Nagyon sok példát igényel inputként, amely bemeneti és nyomonkövetési adatokból áll, például képek és a hozzájuk kapcsolódó »címkék«, például »macska« vagy »bőrrák«. Ebből megismeri a statisztikai mintákat, és így egy összetett hálózati struktúrát épít fel, amellyel kiszámíthatja az új bemeneti adatokra vonatkozó előrejelzéseket, például egy kép megfelelő címkéjét. A tanulás a megjósolt és megfigyelt valódi következményállapotok közötti különbségek feldolgozásából áll, hogy a hálózati struktúrát és a hálózati csomópontok súlyozását úgy lehessen megváltoztatni, hogy az előrejelzési hiba a lehető legkisebb legyen. Az AI rendszer a visszajelzések alapján megtanulja összekapcsolni a példákat a helyes előrejelzésekkel.
Általános szabályként az AI-rendszerek sokkal nagyobb adatbázissal rendelkeznek egy adott feladathoz, mint az emberek. Míg a legjobb sakkozók több tízezer sakk- vagy Go-játékra eshetnek vissza, az AI könnyen több millió játékkal táplálható. Ez lehetővé teszi a mély tanulási rendszerek számára, hogy felfedezzék azokat a statisztikai törvényszerűségeket, amelyekhez nehezen vagy lehetetlen hozzájutni. Ez azonban eddig csak korlátozott, világosan meghatározott feladatoknál működött.
Mit is jelent ez pontosan? A sakkban véges számú négyzet, ábra és szabály létezik, amelyek egyértelműen meghatározzák a játék állapotát, és melyik lépés lehetséges a következő lépés. Valahányszor egy mesterséges intelligencia korábban jobban megoldott egy feladatot, mint az ember, egyértelműen meghatározott feladatok voltak. Tehát feltételezhetjük, hogy az AI rendszerek elvileg jobban képesek megbirkózni minden emberrel pontosan meghatározott, véges egyéni feladattal, amelyre elegendő tanulási példa van.
De mi történik, ha a feladatokat nem határozzák meg egyértelműen? Mi van akkor, ha először a feladatot kell megtanulni, és a játékszabályok vagy a gólok idővel változnak? Elvileg magasabb rendűek vagyunk-e egy mesterséges intelligencia iránt, és meghaladhatjuk-e rajtunk kívül, amint a keretfeltételek homályosak és a feladatok, szabályok vagy célok megváltoztathatók?
Például egy autóvezetőnek egyszerre kell megfigyelnie a forgalmi helyzetet, és át kell haladnia egy összetett építkezésen, minden időjárási és fényviszony mellett. Az önvezető autók képesek ezt kezelni? Az objektumok, emberek, arcok és a közlekedési helyzetek felismerésére szolgáló speciális rendszerek jelenleg gyorsan fejlődnek. Reméljük, hogy ha összekapcsolják őket, akkor a jövő autója kevesebb balesetet okozhat a normál közúti forgalomban, mint egy átlagos sofőr. Ehhez azonban nem csak működő speciális rendszerek szükségesek, hanem egy általános józan ész is, amely képes koordinálni a speciális rendszereket és azonosítani a főbb hibákat. Pontosan itt különböznek az emberek és a mai AI rendszerek három szempontból.
1. A mesterséges intelligencia nem robusztus
Az AI rendszerek hajlamosak lehetnek szokatlanul durva hibákra. Ha egy mesterséges intelligenciát számos példával képeztek ki arra, hogy felismerje az autókról készült fotókat és a strucc fényképeit, akkor elvileg nagyon jól meg tudja különböztetni őket. Ennek ellenére szisztematikus hibák fordulhatnak elő: Lehetséges olyan minimálisan megváltoztatni az autó képét, hogy mi emberek nem érzékeljük a változást, de az AI helytelenül struccnak minősíti. Elvileg egy mesterséges intelligencia-rendszer robusztusabbá tehető, ha megtudja, hogy az autókra vonatkozó különféle példákat is ilyeneknek kell minősíteni. De az alapvető probléma továbbra is fennáll: az AI rendszer csak egy statisztikai általánosítást tanult meg - nagyszámú beállító csavar felhasználásával egy mesterséges neurális hálózatban.
Ezzel szemben az emberi agy képes arra is, hogy tapasztalataink alapján mentális modelleket építsen fel, és ezáltal szisztematikusan messzemenő következtetéseket vonjon le a jelenlegi érzékszervi benyomásokon túl, amelyek akár magyarázatokat is lehetővé tesznek. A magyarázó szerkezet egyik formáját generatív modellként is ismerik. Tapasztalatok sokaságán alapul, és segítségével agyunk egy bizonyos szenzoros érzékelésből belső hipotézist generál, például arról, hogy milyen irányban halad az autó jelenleg, és mely más tárgyakat takarja el. Az ilyen hipotézisek sokkal robusztusabbak, mint az osztályozás-orientált rendszerek, amelyeken a mély tanulás alapul. Az ember soha nem minősíti rosszul struccnak az autót, mert különféle és általánosabb modellezési stratégiákkal rendelkezünk az ilyen durva hibák megelőzésére.
2. A mesterséges intelligencia előrejelzéseit mély tanulással nehéz megmagyarázni
Az AI rendszerek megtanulják a helyes előrejelzéseket a beállított csavarok - a súlyok, amelyekkel feldolgozzák az információkat - beállításával. Ez lehetővé teszi számukra az adatok mintázatának felismerését. A kapott statisztikai szabályokat az egész hálózatra elosztják; alig vagy egyáltalán nem értjük a szabályokat, és természetesen nem tudjuk azokat közvetlenül adaptálni. A rendszer nincs kiképezve érthető előrejelzések készítésére, még akkor sem, ha újabb megközelítések dolgoznak rajta: Az AI rendszert úgy programozhatja, hogy láthatóvá tegye a releváns pixelmintákat, amelyeken a besorolás alapul. De ezek a pixelminták ritkán rendelhetők a külső világ olyan jellemzőihez, amelyet megérthetünk. Példa az arcfelismerésből: Megfelelnek-e a pixelminták egy elvont vonalarcnak, vagy inkább egy másik szisztematikus kontrasztmintának, amely eltér a jellemző osztályainktól? Ez nyitva marad.
Eddig az AI rendszerek tanult statisztikai törvényszerűségeken alapultak, anélkül, hogy meta szinten rögzítették volna őket, és hozzáférhetővé tették őket oly módon, hogy megérthessük őket. Még akkor is, ha egy AI rendszer ezt megtanulta, még mindig nincs megértése a releváns ok-okozati összefüggésekről. Mivel csak a bemeneti és kimeneti adatok közötti kapcsolatokat ábrázolja, nem okokat és következményeket. Ezért a mesterséges ideghálózatok eddig nem tudták maguk fejleszteni az egyszerű világismeretet.
3. A mesterséges intelligencia kevésbé rugalmas
A mély tanulás csak olyan tanulási algoritmusokra támaszkodik, amelyek felmérik a hasonlóságot. Nekünk, embereknek sokféle tanulási stratégia áll rendelkezésre. Egyetlen tapasztalatból tanulhatunk, például megégetjük az ujjainkat. Mások megfigyelésével vagy viselkedésük utánzásával tanulunk. Azonnal rögzíthetjük az alapvető jellemzőket, például az ok-okozati összefüggéseket, és így megjósolhatjuk a következményeket és megtervezhetjük a cselekvéseket. Figyelmen kívül hagyhatjuk a felszínes hasonlóságokat, például a delfinek és a halak közötti hasonlóságot. Elméleti ismereteink mentenek meg minket a hibától: a delfin nem hal, hanem emlős. Tehát kombináljuk a különböző tanulási stratégiákat és ismereteket a hibák elkerülése érdekében.
Az emberi megismerés jellemzője, hogy egyrészt alkalmazkodni tudunk az új helyzetekhez, másrészt ugyanazt a helyzetet értékelhetjük így vagy úgy. A kognitív rugalmasság - és nem a magas kognitív teljesítmény - az emberi intelligencia központi jellemzője. Naivnak tűnik az az alapgondolat, miszerint a mesterséges intelligenciának egyszerűen az egyéni emberi teljesítményt kell utánoznia az emberi megismerés reprodukálása és megértése érdekében. Ahhoz, hogy ez sikeres legyen, integrálnia kell a tanulás különféle formáit és az egyes tanulási modulok közötti interakciókat a hálózati architektúrájába.
Az intelligens rendszerek három szintje
Nincs semmilyen hasonlóság az emberi és a mesterséges intelligencia között? David Marr brit idegtudós három szinten ismerteti az intelligens rendszereket. Az első, a számítási szint arról szól, hogy az információfeldolgozás mit tehet, például felismerhet egy objektumot bizonyos jellemzők alapján. Itt az AI alapvető megállapításai átvihetők az emberi megismerésbe, mert az információfeldolgozás általános elvei minden rendszerre érvényesek, legyen az ember, állat vagy számítógép.
Algoritmikus szinten a megoldáshoz vezető útról van szó, például arról, hogy az egyes jellemzőket hogyan kombinálják és dolgozzák fel egy objektum azonosítására. Ugyanakkor sokféle algoritmus lehet, amely ugyanazt a számítási problémát megoldja. Annak érdekében, hogy következtethessen az emberekre az AI-ből, ki kell választani azokat, amelyek a legjobban képviselik kognitív architektúráját.
A megvalósítás szintjén az algoritmust biológiailag az agyban vagy technikailag egy elektronikus rendszerben valósítják meg ("valósítják meg"). Az emberek és az AI összehasonlítása érdekében a számítógép mesterséges hálózatának meg kell felelnie az agy ideghálózatának. Ez utóbbi azonban sok, részben félreértett biokémiai folyamatot tartalmaz, amelyeket a mesterséges ideghálózat nem térképez fel. Ez nem azt jelenti, hogy a közös vonások teljesen eltűnnek, de fennáll annak a veszélye, hogy viszonylag elvontak maradnak. Az AI következtetései az emberek idegi feldolgozásáról eddig csak nagyon korlátozott mértékben voltak lehetségesek.
Biológia kontra fizika
Az emberek olyan kognitív architektúrát hoznak magukkal, amely biológiailag rögzül az agyban. Az önmegőrzés alapvető mechanizmusai biztosítják a légzést, a testhőmérsékletet, a kalóriabevitelt és még sok minden mást. Ennek következtében alapvető táplálékra, alvásra, testi épségre, összetartozásra, szexualitásra, sőt kíváncsiságra van szükség. Érzelmeink is ezen alapulnak. Biológiai-társadalmi lényekként vannak szenzációink, érzéseink és empátiánk. Manapság minden mesterséges intelligencia-rendszerből hiányzik ez: még ha betanították is rá, legjobb esetben is képes szimulálni az alapvető szükségleteket és érzelmeket.
Ezt általában az indokolja, hogy az AI rendszerek nem rendelkeznek tudatos tapasztalattal. De ez túl rövidlátó, mert az emberek öntudatlanul is sokat dolgoznak fel. Ehelyett döntő fontosságú, hogy egy mesterséges intelligenciának ne kelljen fenntartania a biológiai egyensúlyt önmagának fenntartása érdekében, ezért nincs szüksége semmilyen szabályozási mechanizmusra. Alapvető szükségleteink motiválnak bennünket, embereket, többek között fizikai és társadalmi környezetünk felfedezésére. Ily módon kidolgozzuk a világ modelljét és az ok-okozati összefüggésekre vonatkozó feltételezéseket.
Így biológiailag lehorgonyzott megismeréseink sokfélébbek és másképpen hálózatosak, mint a mai AI rendszerek. Nem csak passzívan érzékeljük a tárgyakat, hanem aktívan feltárjuk őket, és előre meglátjuk, mit tehetünk velük. Felfogásunkat kultúránk és tapasztalataink alakítják; gondolataink észlelésünkön és érzéseinken alapulnak. Ez radikális különbség: A mai AI rendszerek idióták a speciális feladatokhoz vagy összekapcsolt modulok az összetett feladatokhoz, de mindkettőből hiányoznak az érzelmek és a józan ész.
Hová menjen?
Ha a mesterséges intelligenciának hozzá kell járulnia az emberi intelligencia alapvető megértéséhez, akkor azt biológiailag és helyzetileg be kell ágyaznia. Más szavakkal: Az emberi modelleken alapuló, robusztus, rugalmas mesterséges intelligenciának biológiailag motivált tanulási rendszernek kell lennie, amely összekapcsolt modulokkal van felszerelve, és amely elvárásokat támaszt a környezettel szemben. Egy ilyen rendszer mély betekintést nyújthat az emberi megismerésbe - beleértve annak fejlődését is -, és létrehozhat egy mesterséges intelligenciát, amely megérdemli a nevét.
Mennyire válhatnak hasonlóvá az ilyen AI rendszerek hozzánk? Erről csak találgatni lehet. Tudatos tapasztalataink neurobiológiai alapjait még nem sikerült megfelelően megfejteni. A tudatos emberi tapasztalat másolata a mai AI technológiával egyelőre lehetetlen. Hasonlóképpen, csak részben érthető, hogy az érzékelés és a döntések, az érzések és az érzelmek hogyan kapcsolódnak egymáshoz. De egy napon valószínűleg kifejlesztünk olyan AI rendszereket, amelyek képesek kiszámítani és figyelembe venni az emberi társ érzelmi állapotát. Nemcsak összefüggéseken alapulnak, hanem az ok-okozati összefüggéseket is feltérképezik. Ezen architektúrák esetében újból felmerül a kérdés, hogy mennyire tudják újjáteremteni az emberi gondolkodást.
Az, hogy középtávon autonóm robotokkal fogunk-e élni, amit nem tudunk megkülönböztetni az emberektől: tiszta spekuláció. Lesznek azonban intelligens eszközök, amelyek egyesülnek velünk, mint egyénre szabott eszközök - amint ezt már az okostelefonok is teszik. Az orvostudományban várható, hogy az AI kibővíti kognitív képességeinket, és hogy az agyimplantátumok legalább részben kompenzálják a kognitív korlátokat, mint például a Parkinson-kór mély agyi stimulációja már ma is. A valamivel későbbi jövőben teljesen más módon szervezett mesterséges rendszerek is létezhetnek, amelyek mélyebb, oksági megértést mutatnak a világról. Ideális esetben az ilyen rendszerek többek között ökológiai és gazdasági kérdésekben fognak tanácsot adni az embereknek. Egy ilyen erős mesterséges intelligencia veszélyeket rejt magában, de a globális problémák megoldásának lehetőségét is magában rejti.
Irodalmi tippek
Butz, M. V., Kutter, E. F.: Hogyan jön létre az elme. Oxford University Press, 2017.
Newen, A., de Bruin, L., Gallagher, S. (szerk.): A 4E megismerés oxfordi kézikönyve. Oxford University Press, 2018.